本申请涉及一种术后脑胶质瘤图像分割方法及装置，涉及图像分割技术领域，其中方法包括：获取待分割核磁序列图像对应的模态矢量信息；基于微调后的图像分割模型中最低图像特征尺度级别的编码器中的SwinTransformer模块和所述待分割核磁序列图像，确定所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，进而确定确定最高图像特征尺度级别的最终编码特征张量；通过同一图像特征尺度级别的解码器中的SwinTransformer模块，最终确定最低图像特征尺度级别的初级解码特征张量，基于所述初级解码特征张量，确定所述待分割核磁序列图像对应的分割结果。本申请具有提高对术后脑胶质瘤图像分割的灵活性的效果。
【技术实现步骤摘要】
本申请涉及图像分割，具体涉及一种术后脑胶质瘤图像分割方法及装置。
技术介绍
1、脑胶质瘤是成人中枢神经系统发病率最高的原发恶性肿瘤，其高度恶性和治疗难度大，致残率高、复发率高,对患者的生命健康构成了严重威胁。脑胶质瘤生长将导致颅内压增高，出现包括头痛、恶心、呕吐等症状。进一步地，脑胶质瘤术后放疗是脑胶质瘤常用的辅助治疗手段，用于脑胶质瘤手术后，以杀灭或抑制残留的肿瘤细胞，从而延长患者的生存期。其中，脑胶质瘤术后放疗主要采用三维适形放射治疗和适形调强放射治疗，提高脑胶质瘤靶区的剂量覆盖率、适形度及对正常组织保护，缩小不必要的照射体积，降低并发症，因此，有效地从术后脑胶质瘤图像中分割出脑胶质瘤靶区尤为重要。
2、目前，从术后脑胶质瘤图像中分割出脑胶质瘤靶区通常采用的方式为：通过具备从已有序列标号的序列图像中分割出脑胶质瘤靶区能力的分割模型，将需要分割的序列图像输入至分割模型中，实现脑胶质瘤靶区自动分割，方便后续对脑胶质瘤靶区针对性的术后放疗。但是此方式下，仅支持指定序列标号的序列图像输入，如果需要对新增的全新序列标号的序列图像进行分割，分割模型分割的效果较差，需要对分割模型从头开始重新进行训练，才能更好地适配全新序列标号，导致对术后脑胶质瘤图像分割的灵活性较差。
技术实现思路
1、为了提高对术后脑胶质瘤图像分割的灵活性，本申请提供一种术后脑胶质瘤图像分割方法、装置、存储介质及电子设备。
2、在本申请的第一方面提供了一种术后脑胶质瘤图像分割方法，具体包括：
3、获取待分割核磁序列图像对应的模态矢量信息，所述模态矢量信息包括多个目标模态矢量，所述目标模态矢量为对于与所述待分割核磁序列图像同序列标号的核磁序列图像不同图像特征尺度级别的脑胶质瘤相关图像特征学习完成的模态矢量，所述待分割核磁序列图像为全新序列标号的序列图像；
4、基于微调后的图像分割模型中最低图像特征尺度级别的编码器中的swintransformer模块和所述待分割核磁序列图像，确定所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，所述微调后的图像分割模型中的各图像特征尺度级别的编码器和解码器均包括引入同一图像特征尺度级别的目标模态矢量的swintransformer模块；
5、基于所述初级编码特征张量和上一图像特征尺度级别的编码器中的swintransformer模块，确定上一图像特征尺度级别对应的上级编码特征张量，并将所述上级编码特征张量确定为初级编码特征张量，重复执行所述基于所述初级编码特征张量和上一图像特征尺度级别的编码器中的swintransformer模块，确定上一图像特征尺度级别对应的上级编码特征张量的步骤，直到确定最高图像特征尺度级别的最终编码特征张量；
6、通过最高图像特征尺度级别的解码器中引入同一图像特征尺度级别对应的目标模态矢量的全局transformer 模块对所述最终编码特征张量进行处理，得到对应的最高级解码特征张量，并根据所述最高级解码特征张量，通过同一图像特征尺度级别的解码器中的swintransformer模块，确定下一图像特征尺度级别的下级解码特征张量，所述最高级解码特征张量为最高图像特征尺度级别对应的解码特征张量；
7、将所述下级解码特征张量确定为最高级编码特征张量，重复执行所述根据所述最高级解码特征张量，通过同一图像特征尺度级别的解码器中swintransformer模块，确定下一图像特征尺度级别的下级解码特征张量的步骤，直到确定最低图像特征尺度级别的初级解码特征张量；
8、基于所述初级解码特征张量，确定所述待分割核磁序列图像对应的分割结果，所述分割结果为待分割核磁序列图像中脑胶质瘤靶区的分割结果。
9、通过采用上述技术方案，获取到待分割核磁序列图像的模态矢量信息后，通过同图像特征尺度级别的编码器中引入同一图像特征尺度级别的目标模态矢量的swintransformer模块，对待分割核磁序列图像从最低图像特征尺度级别逐级往上依次对编码处理，优化编码器输出的图像特征，能够更为准确地提取到待分割核磁序列图像中脑胶质瘤相关的图像特征。进一步地，再通过同图像特征尺度级别的编码器中引入同一图像特征尺度级别的目标模态矢量的swintransformer模块，对最高级解码特征张量从最高图像特征尺度级别往下进行依次解码，从而优化解码器输出的图像特征，最终使得微调后的图像分割模型基于初级解码特征张量进行图像分割时，能较为准确地分割出脑胶质瘤靶区，无需重头对模型进行训练，就能适配待分割核磁序列图像的分割。
10、可选的，所述基于微调后的图像分割模型中最低图像特征尺度级别的编码器中的swintransformer模块和所述待分割核磁序列图像，确定所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，具体包括：
11、将所述待分割核磁序列图像拉伸为预设尺寸并进行归一化处理，得到处理后图像；
12、对所述处理后图像进行卷积处理，得到缩小尺寸的第一图像特征，并将所述第一图像特征重新排列，得到对应的图像张量；
13、将预设的位置张量和所述图像张量相加，得到对应的初始特征张量，所述图像张量与所述位置张量中元素的行数、列数相同；
14、通过微调后的图像分割模型中最低图像特征尺度级别的编码器中引入同一图像特征尺度级别对应的目标模态矢量的swintransformer模块对所述初始特征张量进行处理，得到所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量。
15、通过采用上述技术方案，得到初始特征张量后，通过引入同一图像特征尺度级别对应的目标模态矢量的swintransformer模块对此初始特征张量进行处理，此处的目标模态矢量学习到最低图像特征尺度级别的编码器编码阶段中，对待分割核磁序列图像在最低图像特征尺度级别上的图像特征的学习，使得经过此swintransformer模块处理后，输出的图像特征得到优化。
16、可选的，所述基于所述初级编码特征张量和上一图像特征尺度级别的编码器中的swintransformer模块，确定上一图像特征尺度级别对应的上级编码特征张量，具体包括：
17、将所述初级编码特征张量重新排列得到所述缩小尺寸的重排后图像特征，所述重排后图像特征的通道数量和所述第一图像特征的通道数量相同；
18、将所述重排后图像特征划分为若干个预设像素的子块，并将每个所述子块进行矢量化处理，得到第一矢量；
19、对每个所述第一矢量进行线性变换，得到将降维后的第二矢量，并将各所述第二矢量重新排列，得到最低图像特征尺度级别的上一图像特征尺度级别的重排编码特征张量；
20、通过上一图像特征尺度级别的编码器中的引入同一图像特征尺度级别对应的目标模态矢量的swintransformer模块，对所述重排编码特征张量进行处理，得到上一图像特征尺度级别对应的上级编码特征张量。
21、通过采本文档来自技高网
...
【技术保护点】
1.一种术后脑胶质瘤图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述基于微调后的图像分割模型中最低图像特征尺度级别的编码器中的SwinTransformer模块和所述待分割核磁序列图像，确定所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，具体包括：
3.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述基于所述初级编码特征张量和上一图像特征尺度级别的编码器中的SwinTransformer模块，确定上一图像特征尺度级别对应的上级编码特征张量，具体包括：
4.根据权利要求3所述的术后脑胶质瘤图像分割方法，其特征在于，所述根据所述最高级解码特征张量，通过同一图像特征尺度级别的解码器中的SwinTransformer模块，确定下一图像特征尺度级别的下级解码特征张量，具体包括：
5.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述获取待分割核磁序列图像对应的模态矢量信息，具体包括：
6.根据权利要求2所述的术后脑胶质瘤图像分割方法，其特征在于，所述通过微调后的图像分割模型中最低图像特征尺度级别的编码器中引入同一图像特征尺度级别对应的目标模态矢量的SwinTransformer模块对所述初始特征张量进行处理，得到所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，具体包括：
7.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述通过最高图像特征尺度级别的解码器中引入同一图像特征尺度级别对应的目标模态矢量的全局Transformer 模块对所述最终编码特征张量进行处理，得到对应的最高级解码特征张量，具体包括：
8.根据权利要求2所述的术后脑胶质瘤图像分割方法，其特征在于，所述基于所述初级解码特征张量，确定所述待分割核磁序列图像对应的分割结果，具体包括：
9.一种术后脑胶质瘤图像分割装置，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1-8中任一项所述的方法。
...
【技术特征摘要】
1.一种术后脑胶质瘤图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述基于微调后的图像分割模型中最低图像特征尺度级别的编码器中的swintransformer模块和所述待分割核磁序列图像，确定所述待分割核磁序列图像的最低图像特征尺度级别的初级编码特征张量，具体包括：
3.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述基于所述初级编码特征张量和上一图像特征尺度级别的编码器中的swintransformer模块，确定上一图像特征尺度级别对应的上级编码特征张量，具体包括：
4.根据权利要求3所述的术后脑胶质瘤图像分割方法，其特征在于，所述根据所述最高级解码特征张量，通过同一图像特征尺度级别的解码器中的swintransformer模块，确定下一图像特征尺度级别的下级解码特征张量，具体包括：
5.根据权利要求1所述的术后脑胶质瘤图像分割方法，其特征在于，所述获取待分割核磁序列图像对应的模态矢量信息，具体包括：
6.根据权...
【专利技术属性】
技术研发人员：葛红，程宸，李兵，娄朝阳，王永强，刘湘月，郑晓丽，孟令广，马文杰，王少彬，白璐，
申请(专利权)人：河南省肿瘤医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。